5.背景建模

5.1 帧差法

由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧图像进行差分运算，不同帧对应的像素点相加减，判断灰度差的绝对值，对绝对值超过一定阙值时，即可判断为运动目标，从而实现目标的检测功能。

帧差法非常简单，但是会引入噪音和空洞问题

5.2 混合高斯模型

在进行前景检测之前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯模型的个数可以自适应。然后在测试阶段，对新来的像素进行GMM配对，如果该像素值能够匹配其中一个高斯，则认为时背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定鲁棒性。最后通过对一个有树枝摇摆的动态背景进行前景检测，取得了较好的结果。

在视频中对于像素点的变化情况应当是符合高斯分布。

背景的实际分布应当是多个高斯分布混合在一起，每个高斯模型也可以带有权重。

混合高斯模型的学习方法：

首先初始化每个高斯模型矩阵参数。
取视频中T帧数据图像用来训练高斯混合模型。来了第一个像素之后用它来当作第一个高斯分布。
当后面来的像素值时，与前面已有的高斯模型的均值比较，如果该像素点的值与其模型均值差在在3倍的方差之内，则属于该分布，并对其进行参数更新。
如果下一次来的像素不满足当前高斯分布，用它来创建一个新的高斯分布。

混合高斯模型的测试方法：

在测试阶段，对新来的像素点的值与混合高斯模型中的每一个均值进行比较，如果其差值在2倍的方差的话，则认为是背景，否则认为是前景。将前景赋值为255，背景赋值为0。这样就形成了一幅前景二值图。

运动目标检测

import numpy as np
import cv2

#经典的测试视频
cap=cv2.VideoCapture('xxx.avi')
#形态学操作需要使用
kernel=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#创建混合高斯模型用于背景建模
fgbg=cv2.createBackgroundSubtractorMOG2()

while(1):
    ret,frame=cap.read()
    fgmask=fgbg.apply(frame)
    #形态学开运算去噪点
    fgmask=cv2.morphologyEx(fgmask,cv2.MORPH_OPEN,kernel)
    #寻找视频中的轮廓
    im,contours,hierarchy=cv2.findContours(fgmask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    
    for c in contours:
        #计算各轮廓的周长
        perimeter=cv2.arcLength(c,True)
        if(perimeter>188):
            x,y,w,h,=cv2.boundingRect(c)
            #画出这个矩形
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)
    
    cv2.imshow('frame',frame)
    cv2.imshow('fgmask',fgmask)
    k=cv2.waitKey(150) & 0xff
    if k==27:
        break
        
cap.release()
cv2.destroyAllWindows()